1
Mahasiswa, Program Studi Magister Teknik Elektro, Jurusan Teknik Elektro, Fakultas Teknik, Universitas Brawijaya, Jalan M.T. Haryono 167 Malang 65145, INDONESIA (e-mail: lestandy_merinda@yahoo.com)
2, 3
Dosen, Program Studi Magister Teknik Elektro, Jurusan Teknik Elektro, Fakultas Teknik, Universitas Brawijaya, Jalan M.T. Haryono 167 Malang 65145, INDONESIA (e-mail: sholehpramono@gmail.com, maswin@ub.ac.id)
Optimasi
Routing
pada
Metropolitan Mesh Network
Menggunakan
Adaptive Mutation Genetic Algorithm
Merinda Lestandy1, Sholeh Hadi Pramono2, Muhammad Aswin3
Abstract—In dynamic and wide networks, such as Metropolitan Mesh Network (MMN), routing becomes very complex because a packet can be blocked before it reaches its destination. In addition, users can also log in or log out from network topology. Therefore, a good routing algorithm, which is able to reduce time in network update process or when there is an error in the network, are required. Routing problems can be represented as the shortest path problem to facilitate completion. In this paper, a routing algorithm optimization using Adaptive Mutation Genetic Algorithm (AMGA) on MMN is presented by determininga probability of 0.000005782 at the beginning, with crossover probability of0.000847, to reduce or avoid premature convergence.
Intisari—Pada jaringan dinamis dan sangat besar seperti
Metropolitan Mesh Network (MMN), routing menjadi sangat kompleks karena banyak potensi terhalangnya suatu paket di tengah jalan, sebelum mencapai tujuannya. Selain itu, pengguna pun dapat masuk dan keluar dari topologi jaringan. Oleh karena itu, dibutuhkan algoritme routing yang baik dan mampu menekan waktu dalam update jaringan atau jika terjadi kesalahan dalam jaringan. Permasalahan routing dapat direpresentasikan sebagai masalah jalur terpendek untuk memudahkan penyelesaiannya. Pada makalah ini dihasilkan bahwa Adaptive Mutation Genetic Algorithm (AMGA) mampu mengoptimalkan routing pada MMN dengan menentukan probabilitas mutasi di awal sebesar 0,000005782 dan probabiltas
crossover sebesar 0,000847, sehingga mampu mengurangi atau menghindari adanya premature convergence.
Kata Kunci
—
Metropolitan Mesh Network (MMN), OptimasiRouting, Adaptive Mutation Genetic Algorithm (AMGA).
I. PENDAHULUAN
Semenjak komputer menjadi lebih kecil, lebih cepat, dan lebih mudah dioperasikan, kebutuhan pengguna akan peningkatan bandwidth semakin besar. Dengan adanya kemampuan komunikasi tambahan, perangkat lunak, dan perangkat keras yang lebih baik, pengguna aplikasi dapat mengisi semua bandwidth yang tersedia. Peningkatan bandwidth menghasilkan aplikasi yang membutuhkan sumber komunikasi yang lebih besar [1].
Penggunaan dan perkembangan jaringan komputer saat ini begitu pesat. Seiring dengan perkembangan tersebut,
kebutuhan pengguna akan kualitas jaringan semakin meningkat. Kualitas yang dimaksud adalah jaringan komputer yang terbebas dari masalah seperti pengiriman data yang lambat, koneksi yang tidak stabil, dan sebagainya, sehingga secara tidak langsung dapat mengurangi produktifitas kerja. Bahkan, dari tahun 2000 hingga 2017, perkembangan internet di dunia mencapai 923,9% dengan 3.696.238.430 pengguna dari data terakhir yang diperoleh [2]. Penyedia layanan sambungan internet yang lebih dikenal Internet Service Providers (ISP) mencoba memenuhi peningkatan permintaan lalu lintas tersebut dengan teknologi baru dan meningkatkan pemanfaatan sumber daya yang ada. Routing paket data dalam hal ini dapat memengaruhi kemampuan sumber daya jaringan [3].
Routing merupakan suatu proses pencarian jalur dalam suatu jaringan dari node sumber ke node tujuan yang digunakan sebagai jalur data. Routing memiliki peran fundamental dalam internet. Routing merupakan fungsi yang bertanggung jawab membawa data melewati sekumpulan jalur dalam jaringan dengan cara memilih jalur terbaik untuk dilewati data.
Dalam jaringan dinamis dan sangat besar seperti MMN, routing menjadi sangat kompleks karena banyak potensi dalam pertengahan perjalanan suatu paket dapat terhalang sebelum mencapai tujuannya. Selain itu, pengguna pun dapat masuk dan keluar dari topologi logika jaringan. Oleh karenanya dibutuhkan algoritme routing yang baik dan mampu menekan waktu dalam update jaringan ataupun jika terjadi kesalahan dalam jaringan.
Algoritme Genetika (Genetic Algorithm/GA) adalah algoritme pencarian heuristik yang didasarkan atas mekanisme evolusi biologis [4]. GA pertama kali dikembangkan oleh John Holland pada tahun 1975. GA melakukan penggabungan berbagai pilihan solusi terbaik secara acak dalam suatu kumpulan untuk mendapatkan solusi terbaik berikutnya, yaitu suatu kondisi yang memaksimalkan kecocokan atau disebut generasi. Generasi ini akan merepresentasikan perbaikan-perbaikan pada populasi awalnya secara berulang. Algoritme ini diharapkan dapat menyimulasikan proses evolusioner.
Berdasarkan uraian di atas, maka dalam makalah ini digunakan AMGA untuk menyelesaikan masalah jalur terpendek dalam MMN, sehingga mampu mengoptimalkan lalu lintas data, kecepatan transfer data, dan meningkatkan kinerja jaringan komputer.
II. ROUTINGPROTOKOL MENGGUNAKAN GA
Banyak penelitian yang dikembangkan dalam beberapa tahun terakhir untuk mengoptimalkan kelemahan GA dengan menggunakan adaptive mutation dan menyelesaikan masalah routing pada jaringan. Adapun penelitian-penelitian yang relevan sebagai acuan penelitian dapat diuraikan sebagai berikut.
Sebelumnya, GA digunakan untuk desain routing protocol Wireless Mesh Network (WMN). Routing protocol dianalisis dengan menerakan nilai evaluasi servis node, memanfaatkan tingkat kehilangan data, jumlah hop bandwidth, dan status lalu lintas yang diterapkan pada GA. Adapun hasil yang telah dilakukan adalah GA mampu menemukan solusi optimal dalam membangun jalur routing protocol WMN yang dinamis [7].
Penggunaan GA juga diterapkan untuk Quality of Service (QoS) multicast routing protocol. Parameter QoS yang digunakan antara lain tunda (delay), biaya (cost), dan sebagainya, untuk menemukan rute baru. Dari hasil simulasi, disimpulkan bahwa GA memiliki rasio keberhasilan pencarian dan perhitungan waktu yang lebih baik dibandingkan dengan algoritme konvensional karena menghubungkan node awal untuk setiap node tujuan dengan menggunakan tiga jalur minimum [8].
Selain itu, GA mampu menilai pelaksanaan protocol multipath distance vector protocol untuk mengefisienkan routing pada Mobile Adhoc Networks (MANETs). Kinerja GA dibandingkan dengan On-demand Multipath Distance Vector (AOMDV). Simulasi dilakukan dengan menggunakan kuantitas node yang berbeda (25, 50, 75, dan 100) dan ukuran jaringan adalah 1.200 m2. Jangkauan komunikasi node adalah 250 m dan jenis lalu lintas bit rate konstan. Terlihat bahwa metode GA meningkat pada tabel Packet Delivery Ratio sebesar 0,19%, 2,42%, 0,72%, dan 3,08% jika dibandingkan dengan metode AOMDV dengan 25, 50, 75, dan 100 jumlah node. Pada tabel Average End to End Delay in second, metode GA menurun sebesar 11,86%, 20,16%, 33,87%, dan 15,71% jika dibandingkan dengan metode AOMDV dengan 25, 50, 75, dan 100 jumlah node. Selanjutnya, metode GA berkurang pada tabel Average Number of hops to sink sebesar 10,09%, 0,86%, 10,72%, dan 14,62% jika dibandingkan dengan metode AOMDV dengan 25, 50, 75, dan 100 jumlah node [9]. Peningkatan routing pada Wireless Sensor Network (WSN) dengan Hybrid GA dilakukan dengan membangun kolam gen (gene pool) untuk desain operator genetika untuk menghindari premature convergence. Dengan menggunakan MATLAB, simulasi WSN ditetapkan. Jumlah node sensor adalah 210 dan radius komunikasi adalah 20. Secara acak didistribusikan di wilayah 100 × 100 area, node sensor awal yang merata antara 200 J dan 400 J, paket data yang dikumpulkan oleh node sensor adalah sebesar 512 byte. Setiap node mengirimkan
paket sekitar 0,2 J dan menerima paket sekitar 0,01 J. Siklus hidup jaringan adalah tujuannya ketika jumlah node dalam jaringan di bawah 85%. Hasil penelitian tersebut adalah Hybrid GA mampu menyeimbangkan penggunaan energi dan memperpanjang siklus hidup jaringan, sehingga meningkatkan efisiensi jaringan WSN [10]. Namun, GA pada routing protocol dalam topologi spanning tree untuk WSN mampu mengurangi penyebaran nilai-nilai energi pada node, sehingga jaringan mampu menghemat waktu dengan lebih baik [11].
Teknik adaptive mutation kemudian diusulkan untuk meningkatkan kinerja GA pada fungsi De-Jong Cost Function. Teknik yang diusulkan ditujukan untuk meningkatkan konvergensi. Hasil tes menunjukkan bahwa penggunaan teknik adaptive mutation memiliki konvergensi solusi lebih dekat dengan solusi optimal dibandingkan dengan teknik mutasi statis lain, seperti mutasi Gaussian dan teknik mutasi seragam. Dari hasil percobaan, adaptive mutation yang diusulkan pada GA terbukti mendekati solusi optimal dibandingkan dengan GA biasa, yaitu De-Jong Cost Function yang minimal untuk beberapa variasi [12].
III. ADAPTIVE MUTATION GENETIC ALGORITHM Pada GA, probabilitas mutasi, Pm, bernilai tetap, sehingga mengakibatkan masalah optimasi dari efisiensi GA kurang maksimal. Saat ini, operator adaptive mutation umumnya digunakan di GA untuk memecahkan masalah optimasi, terutama untuk masalah dunia nyata. Adaptive mutation bertujuan untuk mempertahankan keragaman genetik dalam populasi dan mencegah GA dari premature convergence [6].
Nilai rasio mutasi pada adaptive mutation diberikan di awal. Setelah itu, dihitung nilai progress dengan persamaan berikut.
( ) ∑( * ( ( )) ( ( ))+ ( ) adalah induk dan offspring (keturunan) yang dihasilkan oleh operator mutasi pada generasi dan mewakili jumlah individu yang dipilih operator mutasi untuk bermutasi. Rasio mutasi operator diperbarui sesuai dengan nilai progress rata-rata pada generasi sesuai dengan
sedangkan kerangka GA dengan operator mutasi adaptif ditunjukkan pada Algoritme 2. Algoritme 2 berbeda dari standar GA (Algoritme 1) dalam beberapa langkah, seperti Langkah 4, 10, dan 11.
Algoritme 1 Kerangka umum Algoritme Genetika [6]
1: Input: A problem instance 2: t := 0;
3: Randomly generate an initial population P(t); 4: Evaluate the fitness of each individual of P(t); 5: whilet < max_gen do
6: Selection P(t); 7: Crossover P(t); 8: Mutation P(t); 9: Evaluation P(t); 10: t := t + 1; 11: end while
12: Output: A (sub-optimal) solution
Algoritme 2 Algoritme Genetika dengan adaptive mutation
[6]
1: t := 0;
2: Randomly initialize a population of individuals; 3: Evaluate the fitness of each individual;
4: Initialize the mutation ratio for each mutation operator equally;
5: repeat
6: Assign various mutation operators according to their mutation ratios;
7: Employ the crossover operator to create offspring; 8: Mutate each offspring according to one of the four
mutation operators;
9: Evaluate the fitness of each offspring;
10: Calculate the progress value of each operator according to Eq. (4).
11: Update the mutation ratios of mutation operators according to their progress value
Eq. (5);
12: Select best individuals according to their fitness to form the next population;
13: t := t +1;
14: untilthe stop condition is satisfied
IV. METODOLOGI
A. Sumber Data
Gbr. 1 merupakan sumber data dalam makalah ini, yang mengacu pada MMN dengan luas area sekitar 60 km2 dan berisi 15 node di kota Heraklion, Crete, sebagai model kajian makalah. Topologi jaringan mesh yang digunakan pada makalah ini ditunjukkan pada Gbr. 1.
B. Definisi Operasional
Konsep yang diangkat dalam makalah ini adalah optimasi routing. Optimasi merupakan pencarian konfigurasi optimum, yaitu mencari nilai minimum dan nilai maksimum. Dalam routing, tujuan optimasi adalah untuk mencapai kualitas pengiriman data dari satu titik ke titik lainnya melalui perantara berupa sebuah perangkat keras yang bernama router.
Gbr. 1 Metropolitan Mesh Network di kota Heraklion, Crete [2].
TABEL I INFORMASI LAYANAN NODE
Variabel Definisi Operasional
Traffic Volume Jumlah data yang melewati node.
Relay Traffic Volume Jumlah lalu lintas yang dikirim setelah
mengirim data dari node tetangga.
Packet Error Rate Tingkat kesalahan saluran link.
TABEL II
INFORMASI PESAN BROADCAST GATEWAY
Variabel Definisi Variabel
Hop Count Jumlah hop jalur yang ditransfer pada gateway.
Path Bandwidth Bandwidth maksimum dari jalur ke gateway.
Loop Info Informasi di jalur route, bukan jarak
terpendek
TABEL III
ALGORITME OPTIMASI ROUTING
Variabel Definisi Operasional
Adaptive Mutation GA
Teknik proses mutasi secara adaptif pada GA dengan memberikan nilai rasio mutasi di awal
kemudian dihitung value progress-nya.
Variabel-variabel yang memengaruhi optimasi routing antara lain adalah sebagai berikut.
1) Elemen-elemen Layanan Node: Setiap node mesh di MMN mentransmisikan data ke router dan klien tetangga. Data melewati lebih dari satu hop dalam jangkauan transmisi. Node mesh mengirimkan data melalui gateway untuk mengirimkan data di luar mesh. Berbagai pesan dilewatkan pada proses ini. Informasi yang ditunjukkan pada Tabel I digunakan sebagai tingkat kerugian keseluruhan lalu lintas dengan menggunakan informasi dari penggunaan layanan pada node mesh. Gateway pada Tabel II digunakan sebagai elemen evaluasi layanan. Hal ini mengunakan elemen informasi untuk pesan broadcast gateway yang menginformasikan node tetangga dan informasi yang dibuat dari aplikasinya.
Gbr. 2 Perancangan sistem optimasi routingMetropolitan Mesh Network.
3) Perancangan Sistem: Perancangan sistem digunakan untuk mendefinisikan optimasi routing MMN dari beberapa elemen yang terpisah ke dalam satu kesatuan yang utuh dan berfungsi. Gbr. 2 menunjukkan perancangan sistem optimasi MMN pada AMGA. Perancangan ini dimulai dengan menentukan topologi jaringan yaittu topologi mesh, kemudian dilakukan pengkodean simpul-simpul pada node untuk memudahkan dalam proses komputasi. Setelah dilakukan pengkodean, selanjutnya dilakukan pembobotan pada masing-masing node. Setelah proses tersebut, dilakukan proses routing dengan menggunakan AMGA. Perancangan sistem optimasi MMN ditunjukkan pada Gbr. 2.
V. HASIL DAN PEMBAHASAN
A. Pengkodean Simpul
Pengkodean simpul dilakukan dengan mengodekan simpul-simpul pada jaringan dengan bilangan bulat positif 1, 2, 3, .., n, dengan n adalah banyaknya simpul pada jaringan. Tiap kode dari simpul dianggap sebagai gen pada kromosom, sehingga kromosom merupakan untaian kode-kode dari simpul pada jaringan yang tidak berulang dan merepresentasikan urutan atau jalur seperti ditunjukkan pada Tabel IV.
B. Pembobotan
Sebelum proses pengiriman data dilakukan, diperlukan proses pembobotan simpul. Pembobotan didapatkan dengan menggunakan metode layanan node berdasarkan elemen evaluasi yang didefinisikan pada elemen evaluasi layanan node. Nilai yang dihasilkan dari metode evaluasi ini digunakan untuk mengetahui fungsi fitness untuk evaluasi optimal terhadap operasi genetik.
Metode evaluasi dari node dihitung berdasarkan jumlah hop, bandwidth, traffic, dan Packet Error Rate Evaluation (PE).
TABEL IV
PENGKODEAN SIMPUL METROPOLITAN MESH NETWORK
Node Kode Node/Simpul
M1 1
K1 2
K2 3
K3 4
K5 5
M9 6
M10 7
M2 8
K4 9
K6 10
M3 11
M4 12
M5 13
M7 14
M8 15
TABEL V EVALUASI BOBOT
Elemen Simbol Bobot (0-1)
Hop count 0,1
Path bandwidth 0,2
Traffic (Own/Relay) 0,4
Packet Error Rate 0,3
( ) (3)
( ) (4)
( )
(5)
( )
(6)
Nilai evaluasi dari layanan node adalah sebagai berikut.
(7)
Nilai bobot yang digunakan bernilai mulai dari 0 sampai dengan 1. Nilai bobot berjumlah 1. Berikut adalah nilai bobot, ditunjukkan pada Tabel V.
Nilai bobot masing-masing node dengan melakukan perhitungan di atas ditunjukkan pada Tabel VI.
C. Inisialisasi Populasi
TABEL VI
Kromosom 1 1-2-3-8-14-4-5-6-7-9-10-11-12-13-15 Kromosom 2 1-2-3-4-8-14-5-6-7-9-10-11-12-13-15 Kromosom 3 1-2-5-9-3-8-14-4-6-7-10-11-12-13-15 Kromosom 4 1-2-5-9-10-4-8-14-3-6-7-11-12-13-15 Kromosom 5 1-2-4-10-9-3-8-14-5-6-7-11-12-13-15 Kromosom 6 1-2-5-9-10-4-3-8-14-6-7-11-12-13-15 Kromosom 7 1-2-5-9-10-4-3-14-6-7-8-11-12-13-15 Kromosom 8 1-2-5-3-4-8-14-6-7-9-10-11-12-13-15 Kromosom 9 1-2-5-3-8-14-4-6-7-9-10-11-12-13-15 Kromosom 10 1-2-3-5-9-4-8-14-6-7-10-11-12-13-15
D. Evaluasi Fungsi Fitness
Fungsi fitness digunakan untuk menentukan seberapa baik individu yang direpresentasikan oleh suatu kromosom. Dalam makalah ini, permasalahan jalur terpendek yaitu untuk mencari jarak terpendek dari 15 node dan 20 simpul/busur, diperoleh dengan menghitung nilai fitness-nya. Perhitungan fitness adalah sebagai berikut. dalam kromosom dari gen (simpul).
Fitness dipengaruhi oleh jalur yang terkandung dalam kromosom bersangkutan. Jika terdapat kromosom yang memiliki jalur tidak benar, maka fitness akan bernilai 1000 dan hal tersebut berlaku sebaliknya, apabila jalur benar maka nilainya sama dengan fungsi fitness yang telah ditentukan. Dari kromosom pada Tabel VII kemudian didapatkan nilai fitness-nya dengan perhitungan sebagai berikut.
Kromosom 1 = 1/(0,1349+0,1061+0,3624+0,2309+0,2455) = 1/1,0798
= 0,9261
Kromosom 2 = 1/(0,1349+0,1061+0,3624+0,1445+0,2309+ 0,2455)
= 1/1,2243 = 0,8168
Kromosom 3 = 1/(0,1349+0,1061+0,1462+0,1654+0,3624 +0,2309+0,2455)
= 1/1,3914 = 0,7187
Kromosom 4 = 1/(0,1349+0,1061+0,1462+0,1654+0.3367 +0,1445+0,2309+0,2455)
= 1/15102 = 0,6622
Kromosom 5 = 1/(0,1349+0,1061+0,1445+0,3367+0,1654 +0,3624+0,2309+0,2455)
= 1/1,7264 = 0,5792
Kromosom 6 = 1/(0,1349+0,1061+0,1462+0,1654+0,3367 +0,1445+0,3624+0,2309+0,2455) = 1/1.8726
= 0,5340
Kromosom 7 = 1/(0,1349+0,1061+0,1462+0,1654+0,3367 +0,1445+0,3624+0,2455)
= 1/1,6417 = 0,06091
Kromosom 8 = 1/(0,1349+0,1061+0,1462+0,3624+0,1445 +0,2309+0.2455)
= 1/1,3705 = 0,7297
Kromosom 9 = 1/(0,1349+0,1061+0,1462+0,3624+0,2309 +0,2455)
= 1/1,226 = 0,8157
Kromosom 10 = 1/(0,1349+0,1061+0,3624+0,1462+0,1654 +0,1445+0,2309+0,2455)
=1/1,5359 = 0,6511
Hasil perhitungan di atas disusun dalam Tabel VIII.
E. Seleksi
Setelah terbentuk populasi awal, selanjutnya hasil populasi tersebut diseleksi. Metode seleksi yang digunakan dalam program simulasi ini adalah roulette wheel selection. Metode ini digunakan untuk melakukan seleksi roulette terhadap populasi (chroms) dengan nilai fitness (fitness) dan mengembalikan sejumlah kromosom dengan jumlah yang diinginkan (count). Besarnya probabilitas sebuah kromosom ditentukan oleh nilai fitness-nya, Semakin kecil nilai fitness sebuah kromosom, semakin besar kemungkinan kromosom tersebut untuk terseleksi. Total fitness, Tf, dihitung menggunakan (9).
(9) Dari persamaan di atas didapatkan hasil sebagai berikut.
Tf = 0,9261+0,8168+0,7187+0,6622+0,5792+0,5340 +0,6091+0,7297+0,8157+0,6511
TABEL VIII
FITNESS MASING-MASING KROMOSOM
Kromosom Representasi Kromosom Fitness
Kromosom 1 1-2-3-8-14-4-5-6-7-9-10-11-12-13-15 0,9261
Kromosom 2 1-2-3-4-8-14-5-6-7-9-10-11-12-13-15 0,8168
Kromosom 3 1-2-5-9-3-8-14-4-6-7-10-11-12-13-15 0,7187
Kromosom4 1-2-5-9-10-4-8-14-3-6-7-11-12-13-15 0,6622
Kromosom 5 1-2-4-10-9-3-8-14-5-6-7-11-12-13-15 0,5792
Kromosom 6 1-2-5-9-10-4-3-8-14-6-7-11-12-13-15 0,5340
Kromosom 7 1-2-5-9-10-4-3-14-6-7-8-11-12-13-15 0,6091
Kromosom 8 1-2-5-3-4-8-14-6-7-9-10-11-12-13-15 0,7297
Kromosom 9 1-2-5-3-8-14-4-6-7-9-10-11-12-13-15 0,8157
Kromosom 10 1-2-3-5-9-4-8-14-6-7-10-11-12-13-15 0,6511
TABEL IX
HASIL PERBANDINGAN BERDASARKAN WAKTU ITERASI
Metode Pengujian
AMGA ACO PSO
0,046556 1,447164 2,6800
Gbr. 3 Skema pengujian AMGA pada Metropolitan Mesh Network.
Dari total fitness kemudian ditentukan peluang individu masing-masing kromosom.
Pengujian diakukan untuk mengetahui metode AMGA, layak digunakan untuk optimasi routing MMN atau tidak. Skema pengujian optimasi routing dilakukan dengan cara membandingkan metode yang diusulkan (AMGA) dengan
metode Ant Colony Optimization (ACO) dan Particle Swarm Optimization (PSO). Proses metode pembanding ditunjukkan dalam Gbr. 3.
Berdasarkan Tabel IX, waktu iterasi berbeda-beda untuk masing-masing metode. Hal ini disebabkan proses iterasi untuk masing-masing metode berbeda pula. Berdasarkan proses iterasi, terdapat empat jenis metode, di antaranya AMGA, ACO, dan PSO. Ketiga metode tersebut mampu memberikan hasil routing yang optimal dengan bobot yang telah diberikan. Pada proses AMGA, waktu iterasi yang diperoleh sebesar 0,046556 detik dengan operasi mutasi ditentukan di awal yaitu sebesar 0,000005782 dan probabiltas crossover sebesar 0,000947. Sedangkan proses ACO dan PSO menghasilkan jalur dengan memunculkan semua node tanpa memikirkan jalur tersebut terhubung atau tidak.
VI. KESIMPULAN
Berdasarkan hasil pembahasan dan pengujian, disimpulkan bahwa AMGA mampu mengoptimalkan routing pada MMN dengan menentukan probabilitas mutasi di awal sebesar 0,000005782 dengan probabilitas crossover sebesar 0,000947, sehingga mampu mengurangi atau menghindari adanya premature convergence.
REFERENSI
[1] Kessler, Gary C. & Train, David A. (1999). Metropolitan Area
Networks: Concepts, Standards, and Services. Network : McGraw-Hill.
[2] Miniwatss Marketing Group. (2017).
http://www.internetworldstats.com/stats.htm, 12 Maret 2017, pk. 15.19.
[3] Kumar, R. & Kumar , M. (2010). Exploring Genetic Algorithm for
Shortest Path Optimization in Data Networks. Global Journal of
Computer Science and Technology. Vol. 10 Issues 11 (Ver. 1.0), p 8-12.
[4] Lin, X. H., Kwok Y. K., & Lau V. K. N. (2002). A genetic algorithm
based approach to route selection and capacity flow assignment.
Computer Communications. p 96-974.
[5] Yun, Y. (2006). Hybrid genetic algorithm with adaptive local search
scheme. Computer & Industrial Engineering 51:p.821-838.
[6] Korejo, Imtiza Ali. (2010). Adaptive mutation Operators for
Evolutionary Algorithms. Department of Computer Science for the degree of Doctor of Philosophy.
[7] Yoon, Chang-Pyo & Ryou, Hwang-Bin. (2011). A Genetic Algorithm
for the Routing Protocol of Wireless Mesh Networks. Information
Science and Applicatiobs (ICISA), 2011 International Conference on Jeju Island, South Korea. IEEE. p.1-6.
[8] Koyama, Akio, Toshiki Nishie, Jupei Arai, & Leonard Barolli. (2005).
A New Quality of Service Multicast Routing Protocol Based on
Genetic Algorithm. Procedings of the 2005 11th International
Conference on Parallel and Distributed System (ICPADS’055). IEEE.
p.1-6.
[9] Seetaram, J., & Kumar, P Satish. (2016). An Energy Aware Genetic Algorithm Multipath Distance Vector Protocol for Efficient Routing.
Wireless Communications, Signal Processing and Networking (WiSPNET), International Conference on Chennai, India. IEEE.
p.1975-1980.
[10] Guo, Lejiang & Tang, Qiang. (2010). An Improved Routing Protocol
in WSN with Hybrid Genetic Algorithm. Second International
Conference on Networks Security, Wireless Communications and Trusted Computing, IEEE. p.289-292.
[11] Apetroaei, Ioana., Ionut-Alexandru Oprea, Bogdan-Eugen Proca, &
Laura Gheorghe. (2011). Genetic algorithms applies in routing
protocols for wireless sensor networks. Roedunet International
Conference (RoEduNet). IEEE.
[12] Rajakumar, B. R., & George, Dr. Aloysius. (2012). A New Adaptive
Mutation Technique for Genetic Algorithm. IEEE International
